基于随机森林算法的地表温度鲁棒降尺度方法

发布时间：2021-09-17 08:21

　　陆地表面温度是描述区域或者全球范围内陆地表面与大气的相互作用和能量平衡最重要的环境参数之一。针对目前尚未有遥感卫星能够同时提供具有高时间和高空间分辨率的地表温度产品的问题,国内外学者发展了多种对低空间分辨率的地表温度进行降尺度的算法。然而,由于对地表温度解释变量和降尺度模型的选择往往具有区域局限性,导致了降尺度模型的泛化能力受到了一定的限制。本文首先评估了地表反射率、遥感光谱指数、地形因子、地表覆盖、经纬度以及基本状态变量6类环境参量与地表温度之间的相关关系,并在此基础上筛选出最佳解释变量;同时,结合在非线性回归问题上表现比较优秀的随机森林算法,建立了一种鲁棒性的基于随机森林算法地表温度降尺度模型（RRF）。本文选取了中国范围内具有代表性的11个地区作为主要研究区,将空间分辨率为1 km的MODIS地表温度产品降尺度至90 m。以北京市2个典型地表类型的子区域为代表研究区,通过与传统的基于归一化植被指数与地表温度相关关系的TsHARP模型,以及基于红波段和近红外波段以及地表高程作为尺度因子建立的简单Basic-RF模型的对比分析可得,RRF模型在2个子研究区降尺度结果均优于TsHARP... 

【文章来源】：地球信息科学学报. 2020,22(08)北大核心CSCD

【文章页数】：13 页

【部分图文】：

RRF降尺度模型的技术路线

如图2所示，OOBS的值随着加入变量数量的增加而增大，RMSE则相应减少，并且当数量增加到一定值时，2个指标的变化均趋于平缓。以OOBS和RMSE之间的差值作为选择依据，当变量个数小于10时，二者差值随变量增加逐渐变大，而当变量个数达到16以后，OOBS和RMSE的绝对差值的变化趋向于零，说明此时最重要的变量基本被添加至模型中。因此，为了达到最佳训练结果，本研究选取了前16个变量，具体变量信息如表1所示，此时OOBS和RMSE分别达到0.876和0.13 K。2.3 随机森林降尺度模型的构建

对于研究区B,RRF模型和TsHARP模型的Bias都接近于0，说明了模型降尺度估计的无偏性。RRF模型依旧保持着较高的精度，降尺度结果的RMSE为2.27 K。相比于Basic-RF模型（RMSE为3.1 K）而言，其误差降低了约37%。同时，相比于TsHARP模型（RMSE为3.18 K）而言，其误差降低了约40%。图6展示了子研究区B降尺度后的地表温度的空间分布，从该图可以看出，RRF模型基本还原了城市范围内人工建筑和道路与其他自然地表之间的温度差异，并且也能显示出城市中心温度高于郊区的热岛现象，此外，RRF模型对局部水体与周围地表的低温差异识别也相对优于其他2种模型，RRF模型更具体地还原了精细尺度的真实地表温度。主要原因是光谱指数NDBI和MNDWI的引入，使得模型对人工建筑以及水体造成的温度变化的敏感性增强，RRF模型能够更加细化和精确地指示复杂的地表温度变化。4.2 降尺度模型的交叉检验与分析

【参考文献】：
期刊论文
[1]基于随机森林算法的地表温度降尺度研究[J]. 华俊玮,祝善友,张桂欣.  国土资源遥感. 2018(01)
[2]遥感地表温度降尺度方法比较——性能对比及适应性评价[J]. 全金玲,占文凤,陈云浩,刘闻雨.  遥感学报. 2013(02)



本文编号：3398332